Skapa en Qualitative Cohort Analysis

Vet du hur era Google Adwords-förvärvade kundsegment utvecklar sin LTV jämfört med de kunder som skaffats via organisk sökning? Har du någonsin funderat på att utföra en cohort-analys på olika kundsegment sida vid sida i samma rapport? I så fall kan en qualitative cohort analysis hjälpa dig att svara på de frågorna.

Det här avsnittet handlar om vad en kvalitativ kohort är, varför du kan vara intresserad av att skapa den här analysen och hur du kan skapa den i Commerce Intelligence.

Vad är qualitative cohorts egentligen? whatare

Analysen av Cohort i allmänhet kan definieras brett som en analys av användargrupper som delar liknande egenskaper under sina livscykler. Det gör att du kan identifiera beteendetrender för olika användargrupper.

Se kohortanalys.

De flesta cohort analyserar i Commerce Intelligence gruppanvändare tillsammans efter ett gemensamt datum (t.ex. uppsättningen med alla kunder som gjorde sitt första köp under en viss månad). En qualitative cohort är lite annorlunda: det är en användargrupp som definieras av en egenskap som inte är tidsbaserad. Exempel:

Hur skiljer det sig från det vanliga cohort-verktyget? different

Cohort Analysis Builder är optimerad för gruppering av kohorter med hjälp av en tidsbaserad egenskap. Detta är bra för analyser som fokuserar på ett visst användarsegment (till exempel alla användare som har skaffats via en betalsökkampanj). I Cohort Analysis Builder kan du (1) fokusera på den specifika användargruppen och (2) cohort på ett datum (som deras första orderdatum).

Om du vill analysera kohortbeteendet för flera användarsegment i samma kohortrapport (paid sökning kontra organic sökning kontra direkt trafik, kanske?) kan den här mer avancerade analysen skapas i Report Builder .

Vilken information ska jag skicka till support för att konfigurera min analys? support

Om du skapar en qualitative cohort-rapport i Report Builder måste analysteamet i Adobe skapa avancerade beräknade kolumner i de nödvändiga tabellerna.

Om du vill skapa dessa skickar du en supportanmälan (och refererar till den här artikeln!). Det här behöver du veta:

När analytikerteamet på Adobe har svarat på ovanstående har ni några nya avancerade beräknade kolumner för att ta fram rapporten! Följ sedan instruktionerna nedan.

Skapa en kvalitativ kohortanalys create

För det första vill du lägga till de mått som du är intresserad av kohortering, en gång för varje cohort som du analyserar. I det här exemplet vill du se kumulativa Revenue som gjorts månader efter en kunds första order, segmenterade efter User's referral source. Det innebär att du för varje segment lägger till ett Revenue-mått och filter för det specifika segmentet:

För det andra bör du göra två ändringar av rapportens tidsalternativ:

I det här exemplet tittar du på en all time-vy av Revenue. Efter detta bör du få en serie punkter:

För det tredje justerar du inställningarna för cohorts. Baserat på cohort date och time interval som du har angett för analysteamet i Adobe har du en dimension i ditt konto som utför dateringen cohort. I det här exemplet kallas den anpassade dimensionen Months between this order and customer's first order date. Om du använder den här dimensionen bör du:

Nu kan du se en rad för varje cohort som du har angett. Ta en titt på exemplet nu - du ser Revenue från användare av varje hänvisningskälla, grouped by antalet månader mellan deras första order och efterföljande order. Exemplet lade också till en Cumulative perspective för att se cohorts'-aggregerad tillväxt - se resultattabellen för mer granularitet.

Vad säger det här till oss? Här är den specifika hänvisningskällan Paid search värdefull den första månaden under en kunds köptid, men behåller inte sin kundbas med upprepade intäkter. Även om Direct Traffic startar av till ett lägre belopp ackumuleras intäkterna för efterföljande månader i ungefär samma takt.

Oberoende av hur du diskar det så är cohort-analys ett kraftfullt verktyg i analysverktygslådan. Den här typen av analys kan ge dig intressanta insikter om ditt företag som traditionella time-based cohorts kanske inte har, vilket gör att du kan fatta bättre datadrivna beslut.